Estimativa de povoamento de Eucalyptus urophylla S.T. Blake utilizando Redes Neurais artificiais e índices de Vegetação
DOI:
https://doi.org/10.33448/rsd-v12i11.43665Palavras-chave:
Índice de vegetação; Inventário florestal; Inteligência artificial.Resumo
No Brasil, as áreas de florestas plantadas abrangem 54,4% e realizar inventários florestais é fundamental para o Manejo florestal. Os métodos tradicionais de coleta para inventário são trabalhosos e dispendiosos. Uma alternativa tem sido a combinação de dados de sensores remotos e redes neurais artificiais (RNA) como uma abordagem comparativa. Objetivo deste estudo é avaliar a concordância entre estimativas de biomassa feitas por redes neurais artificiais usando índices de vegetação e o método tradicional de inventário florestal. Foi utilizado um inventario do ano de 2011, realizado no município de Rio Verde, Goiás, em um povoamento de Eucalyptus urophylla S. T. Blake, pertencente à Cooperativa Agroindustrial dos Produtores Rurais do Sudoeste Goiano (COMIGO), 23 parcelas amostrais aleatórias de 400 m² foram coletados o diâmetro, altura, volume, e outros parâmetros. As imagens de satélite RapidEye foram adquiridas e índices de vegetação, como NDVI, MSAVI, NDRE e EVI. Redes neurais artificiais foram treinadas e validadas no programa NeuroForest Star, para estimar o volume de árvores por parcela. Os resultados indicaram que as estimativas foram comparáveis às abordagens tradicionais de inventário florestal. Ademais, as correlações variaram de -0,84 a 0,99, com um erro padrão da estimativa relativo (syx %) variando de 0,20% a 16,59%. As diferentes arquiteturas de redes neurais artificiais apresentaram variações nas estimativas de volume, e algumas não se mostraram estáveis na etapa de validação. Entretanto, as arquiteturas dos índices NDRE e MSAVI se destacaram pela estabilidade para estimativas de volume por parcela, demostrando eficácia da RNA como método eficiente e acessível.
Referências
Almeida, A. Q. D., Mello, A. A. D., Neto, A. L. D., & Ferraz, R. C. (2014). Relações empíricas entre características dendrométricas da Caatinga brasileira e dados TM Landsat 5. Pesquisa Agropecuária Brasileira, 49, 306-315.
Barnes, E. M., Clarke, T. R., Richards, S. E., Colaizzi, P. D., Haberland, J., Kostrzewski, M., ... & Moran, M. S. (2000, July). Coincident detection of crop water stress, nitrogen status and canopy density using ground based multispectral data. In Proceedings of the fifth international conference on precision agriculture, Bloomington, MN, USA (Vol. 1619, p. 6).
Bhering, L. L., Cruz, C. D., Peixoto, L. D. A., Rosado, A. M., Laviola, B. G., & Nascimento, M. (2015). Application of neural networks to predict volume in eucalyptus. Crop Breeding and Applied Biotechnology, 15, 125-131.
Binoti, D. H. B., Binoti, M. L. M. D. S., Leite, H. G., Silva, A. A. L. D., & Albuquerque, A. C. (2013c). Modelagem da distribuição de diâmetros utilizando autômatos celulares e redes neurais artificiais. Cerne, 19, 677-685.
Binoti, D. H., Binoti, M. L. D. S., Leite, H. G., & Silva, A. (2013a). Redução dos custos em inventário de povoamentos equiâneos. Revista Brasileira de Ciências Agrárias, 8(1), 125-129.
Binoti, D. H. B., Binoti, M. L. M. S., & Leite, H.G. (2013a). NeuroForest Star. Patente: Programa de Computador. Número do registro: 13410-5, data de registro: 30/04/2013, título: "NeuroForest Star", Instituição de registro: INPI - Instituto Nacional da Propriedade Industrial.
Binoti, M. L. M. D. S. (2010). Redes neurais artificiais para prognose da produção de povoamentos não desbastados de eucalipto.
Binoti, M. L. M. D. S. (2012). Emprego de redes neurais artificiais em mensuração e manejo florestal. Tese (doutorado) Universidade Federal de Viçosa, Viçosa – MG.
Binoti, M. L. M. D. S., Binoti, D. H. B., & Leite, H. G. (2013d). Aplicação de redes neurais artificiais para estimação da altura de povoamentos equiâneos de eucalipto. Revista Árvore, 37, 639-645.
Binoti, M. L. M. D. S., Binoti, D. H. B., Leite, H. G., Garcia, S. L. R., Ferreira, M. Z., Rode, R., & Silva, A. A. L. D. (2014). Redes neurais artificiais para estimação do volume de árvores. Revista Árvore, 38, 283-288.
Binoti, M. L. M. D. S., Leite, H. G., Binoti, D. H. B., & Gleriani, J. M. (2015). Prognose em nível de povoamento de clones de eucalipto empregando redes neurais artificiais. Cerne, 21, 97-105.
Campos, J. C. C., & Leite, H. G. (2009). Mensuração florestal: perguntas e respostas. rev. e ampl. Viçosa, MG: Universidade Federal de Viçosa, 548p.
Castro, R. V. O., Araújo, R. A. A., Leite, H. G., Castro, A. F. N. M., Silva, A., Pereira, R. S., & Leal, F. A. (2016). Modelagem do crescimento e da produção de povoamentos de eucalyptus em nível de distribuição diamétrica utilizando índice de local. Revista Árvore, 40, 107-116.
Chander, G., Markham, B. L., & Helder, D. L. (2009). Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote sensing of environment, 113(5), 893-903.
Chaves, R. D. A., Reis, M. D. G. F., Reis, G. G. D., Pezzopane, J. E. M., Xavier, A., & Monte, M. A. (2007). Dinâmica de cobertura de dossel de povoamento de clone de Eucalyptus grandis w. hill ex-maiden submetidos a desrama artificial a desbaste. Revista Árvore, 31, 989-998.
Chen, W. C., Tseng, L. Y., & Wu, C. S. (2014). A unified evolutionary training scheme for single and ensemble of feedforward neural network. Neurocomputing, 143, 347-361.
Colbert, K. C., Larsen, D. R., & Lootens, J. R. (2002). Height-diameter equations for thirteen midwestern bottomland hardwood species. Northern Journal of Applied Forestry, 19(4), 171-176.
Costa, A. C. D., Pinto, J. R. R., Miguel, E. P., Xavier, G. D. O., Marimon, B. H., & Aparecido Trondoli Matricardi, E. (2023). Artificial intelligence tools and vegetation indices combined to estimate aboveground biomass in tropical forests. Journal of Applied Remote Sensing, 17(2), 024512-024512.
Costa, O. B. D. (2017). Degradação Florestal por extração seletiva e fogo na Amazônia Legal. Tese de Doutorado em Ciências Florestais, Publicação PPGEFL.TD - 074/2017. Departamento de Engenharia Florestal, Universidade de Brasília, Brasília, DF, 2017.
Draper, N., & Smith, H. (1998). Applied regression analysis. John Wiley e Sons. (3a ed.).
Ferreira, C. A., Mello, H. A., & Kajiya, S. (1977). Estimativa do volume de madeira aproveitável para celulose em povoamentos de Eucalyptus spp.: determinação de equações para o cálculo do volume de povoamentos de Eucalyptus spp. IPEF, Piracicaba, 14, 29-50.
Haykin, S. (2001). Redes neurais: princípios e prática. (2a ed.), Bookman.
Instituto Brasileiro de Geografia e Estatística – IBGE. (2014). Manual técnico da vegetação brasileira. (2a ed.).
Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583-621.
Kuan, C. M., & White, H. (1994). Artificial neural networks: An econometric perspective. Econometric Reviews, 13, 1-91.
Leal, F. A., Miguel, E. P., & Matricardi, E. A. T. (2016). Estimativa do volume em um povoamento de eucalipto utilizando redes neurais artificiais e dados provenientes de satélite RapidEye. III MENSU FLOR, Piracicaba, SP.
Leal, F. A. (2013). Técnicas de sensoriamento remoto e geoestatística aplicadas em um povoamento de Eucalyptus urophylla S.T. Blake para estimativa de volume. Dissertação de mestrado em Ciências Florestais. Publicação PPGEFL.DM-190/2013. Departamento de Engenharia Florestal, Universidade de Brasília - UnB, Brasília/DF.
Leal, F. A., Castro, R. V. O., & Matricardi, E. A. T. (2017). Validação de modelos de afilamento para estimativa do diâmetro, altura e volume em povoamento comercial de eucalipto. Revista Brasileira de Biometria, 35(3), 449-460.
Leal, F. A., Miguel, E. P., & Matricardi, E. A. T. (2016). Estimativa do volume em um povoamento de eucalipto utilizando redes neurais artificiais e dados provenientes de satélite RapidEye. III MENSU FLOR, Piracicaba, SP.
Leal, F. A., Miguel, E. P., Matricardi, E. A. T., & Pereira, R. S. (2015). Artificial neural networks in volume estimation at eucalyptus plantation using hemispherical photographs and number of trees. Revista Brasileira de Biometria, 33(2), 234-250.
Leite, H. G., Neto, R. R. de O., Monte, M. A., Fardin, L., Alcantra, A. M., Binoti, M. L. M. da S., & Castro, R. V. O. (2011). Modelo de afilamento de cerne de Tectona grandis Lf (Taper models of heartwood of Tectona grandis Lf). Scientia forestalis, Piracicaba, 39(89), 053-059.
Machado, S. A., & Figueiredo Filho, A. (2009). Dendrometria, 2ª edição. Guarapuava: UNICENTRO.
Pélico Neto, S., & Brena, A. D. (1997). Inventário Florestal. Curitiba: Editorado pelos autores.
Riedmiller, M., & Braun, H. (1993). A direct adaptive method for faster backpropagation learning: the RPORP algorithm. In: IEEE International Conference On Neural Networks, 1993. Proceedings (pp. 586-591). IEEE.
Rodrigues, T. W. P., Guimarães, U. S., Rotta, L. H. D. S., Watanabe, F. S. Y., Alcântara, E., & Imai, N. N. (2016). Delineamento amostral em reservatórios utilizando imagens Landsat-8/OLI: um estudo de caso no reservatório de Nova Avanhandava (Estado de São Paulo, Brasil). Boletim de Ciências Geodésicas, 22, 303-323.
Weng, L., Kang, Y., Jiang, K. & Chen, C. (2022). Redes Neurais Convolucionais Time Gated para Classificação de Culturas. Pré-impressão do arXiv arXiv:2206.09756.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Moises Parreiras Pereira; Fabrício Assis Leal ; Glória da Silva Almeida Leal ; Valdemar de Matos Paula; Alan Augusto Nobre Feitosa; Symone Maria de Melo Figueiredo
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
